使用可解释的机器学习模型预测急性胰腺炎重症监护病房患者的死亡率

科学领域:

• 关键护理医学 关键护理医学
• 医疗保健中的机器学习
• 预测分析是一种预测分析.

背景情况:

• 在重症监护室 (ICU) 的急性胰腺炎 (AP) 与高的住院死亡率有关.
• 在ICU中早期识别高风险AP患者至关重要,但具有挑战性.
• 这项研究解决了在ICU中改善AP死亡率的预测工具的需求.

研究的目的:

• 开发一种可解释的机器学习模型,用于预测患有AP的ICU患者的住院死亡率.
• 确定导致该患者群体死亡率的关键临床因素.
• 通过可解释性技术,提高预测模型的透明度和临床实用性.

主要方法:

• 对306名患有AP的ICU患者的回顾性分析.
• 开发和比较七个机器学习模型 (决策树,随机森林,XGBoost,SVM,MLP,KNN,物流回归).
• 使用AUC,Brier分数,校准图表和DCA进行模型性能评估;通过SHAP框架进行解释.

主要成果:

• 支持矢量机 (SVM) 模型证明了在医院死亡率的有效预测.
• 确定的主要独立风险因素包括APACHE II评分,APTT,白蛋白,BUN,肌素,血管活性剂的使用,以及ICU停留时间.
• SHAP分析强调APACHE II分数是死亡率最重要的预测指标,SVM在验证集中表现强.

结论:

• 使用常规临床变量的可解释的SVM模型可以有效地预测患有AP的ICU患者的住院死亡率.
• 用SHAP增强的解释提高了模型的透明度,并有助于临床决策.
• 这些发现支持使用机器学习来对重症AP患者的风险分层.